AI神经网络如何辨别事物

时间 2019-11-06

标签神经网络如何辨别事物繁體版

原文原文链接

AI与神经网络

人工智能已经发展了六七十年，经历了几度繁荣和衰落。虽然已取得不错的进展，可是与理想中的人工智能差距仍是很大。mysql

人工智能三大学派：符号学派、链接学派、行为学派。符号学派认为，任何可以将物理的某些模式或符号进行操做并转化成另一些模式或符号的系统，就可能产生智能行为；链接学派认为高级的智能行为是从大量神经网络的链接中自发出现的，经过大量神经元来模拟大脑；行为学派并无把目光聚焦到高级智能的人类身上，而是关注低级的昆虫能灵活走动并快速反应。上世纪的八九十年代造成三足鼎立的形势。算法

这几年再度让人工智能火起来的是链接学派，链接学派经过深度学习将以往不少领域的表现都大幅提升，链接方式无疑已经成为目前最闪耀的人工智能解决方案。链接派的模型都是以神经网络为基础进行创新的，因此核心部分仍然是神经网络结构。sql

关于分类

人类对事物的识别其实很大程度就是对事物进行分类。就比如下面图中的各类花，咱们看到桔梗时就知道它是一种花，看到曼陀罗时也认为它是一种花，看到不一样的花咱们都对它们进行分类。相似的还有人、树、汽车等等，都属于分类概念，当看到相应事物时都会对其进行分类。网络

分类是人工智能的核心部分，神经网络则能够实现像人类这样的识别分类能力。对于机器来讲，全部信息都是用离散的数字信号来表征的，神经网络的目标就是经过这些离散的信号来进行分类从而达到识别效果。数据结构

最简神经网络

感知器是最基础的神经网络，它能够有多个输入(x1,x2,…xn)，每一个输入对应有一个权重(w1,w2…wn)，除此以外还有一个偏置项w0。每一个输入和对应的权重相乘而后进行累加，再经过一个阶跃函数，最简神经网络就是这么简单。这么简单的模型有什么用？其实它可用于线性分类。并发

假如如今有两类事物，分别用蓝色和黄色表示。咱们提取了两个判断因子x1和x2，如今准备使用简单的神经网络函数来决定某个点属于蓝色仍是黄色。先计算z = a_x1+b_x2+c，而后再将z值经过Sigmoid激活函数，Sigmoid函数如图，其值被压缩到0-1之间，0.5做为蓝黄色的分界线。机器学习

如今的问题是a、b、c参数该怎么肯定才能正确地将蓝色和黄色分开呢？咱们先随便猜三个值，好比a=0.20，b=-0.3，c=0.7，则此时的分类效果以下。分布式

继续猜a=-0.20，b=-0.7，c=-0.5，这会运气好，效果看起来挺不错的，都正确分类了。能够确定的是咱们能够无限地猜想下去，并且会找到更加完美的分割线。可是哪条分割线是最好的，并且咱们应该如何来寻找这些分割线呢？目前为止咱们采起的是猜的策略，也许一猜就中，也许永远都猜不中。函数

更强大的神经网络

简单的感知机属于线性模型，而经过嵌套多个神经网络层和增长神经元就能够解决不少复杂的问题。学习

整个神经网络模型包含了三要素：线性变换、非线性变换和线性决策。线性与非线性变换实际上就是坐标变换，将信息聚合到其余空间中。从线性到非线性属于特征变换，将某种特征转成另一种特征。而多层神经网络就是作表征学习。

从数学上看，神经网络的嵌套就是多个函数嵌套，经过复杂的函数嵌套关系来描述特征关系。

一样是对两类事物进行分类，但此次的任务比较复杂，能够看到黄色和蓝色并不能经过简单的函数进行分割，这时最简单的神经网络已经无能为力了，此时就须要嵌套多个神经网络层而且增长神经元来解决了。

如今咱们先对原来中间的网络层增长两个神经元，并再增长一层网络，一共拥有两个隐含层。

最终这种多层的神经网络确实可以完成对这种比较复杂的两类事物的分类。

训练神经网络

咱们不可能靠猜想靠运气吃饭，神经网络的参数也同样，仍是要踏踏实实地按照科学的方针来训练神经网络。实际上咱们经常用偏差逆传播算法来训练神经网络，它使用的是梯度降低法，经过反向传播不断调整神经网络中各个权重从而使输出层的偏差平方和最小。

神经网络的输出层咱们会获取到了一个最终的输出，而这个输出与目标值可能存在偏差，可使用偏差平方和做为评判标准，这样咱们就能够判断咱们找到的函数的好坏。

并且，偏差是会反向传播的，每一个神经元都会有对应的偏差。具体处理时经过梯度降低法即可以更新每个神经元的权重，这样就能解决了神经网络中链接的参数值了，即能确认全部函数的参数。

大概流程为：

计算从输入到输出的前馈信号。
根据预测值和目标值计算输出偏差E。
经过前一层中的权重和相关激活函数的梯度对它们进行加权反向传播偏差信号。
基于反向传播偏差信号和输入的前馈信号计算参数的梯度

使用计算好的梯度来更新参数，公式为

-------------推荐阅读------------

个人开源项目汇总(机器&深度学习、NLP、网络IO、AIML、mysql协议、chatbot)

跟我交流，向我提问：

欢迎关注：人工智能、读书与感想、聊聊数学、分布式、机器学习、深度学习、天然语言处理、算法与数据结构、Java深度、Tomcat内核等相关文章